econml Logo
0.15.1
  • EconML 用户指南
    • 概述
    • 基于机器学习的异质处理效应估计
    • 示例说明
      • 推荐系统 A/B 测试
      • 客户细分
      • 多投资归因
    • 因果推断简介
    • 问题设定和 API 设计
      • 条件平均处理效应包的 API
      • 处理变量为线性的 CATE 估计器
      • API 使用示例
    • 库流程图
    • 详细估计器比较
    • 无混杂性下的估计方法
      • 正交/双重机器学习
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 形式化方法概述
        • 类层次结构
        • 使用常见问题
        • 使用示例
      • 双重稳健学习
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 形式化方法概述
        • 类层次结构
        • 使用常见问题
        • 使用示例
      • 基于森林的估计器
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 形式化方法概述
        • 类层次结构
        • 使用示例
      • 元学习器
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 形式化方法概述
        • 类层次结构
        • 使用示例
    • 使用工具变量的估计方法
      • 深度工具变量
      • 筛法 2SLS 工具变量估计
      • 正交工具变量
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 类层次结构
        • 使用示例
    • 动态处理机制估计方法
      • 动态双重机器学习
        • 这是什么?
        • 相关的估计器类有哪些?
        • 何时使用它?
        • 类层次结构
        • 使用常见问题
    • 推断
      • Bootstrap 推断
      • OLS 推断
      • 去偏 Lasso 推断
      • 子样本诚实森林推断
      • OrthoForest 小袋子 Bootstrap 推断
    • 模型选择
    • 可解释性
      • 树解释器
      • 策略解释器
      • SHAP
    • EconML 中的联邦学习
      • 概述
      • 将联邦学习整合到 EconML 库中的动机
      • 使用 EconML 进行联邦学习
        • 介绍 FederatedEstimator
        • 使用示例
      • 理论
    • 参考文献
    • 常见问题 (FAQ)
      • 何时应该使用 EconML?
      • EconML 有哪些优势?
      • 如何判断结果是否合理?
      • 我得到的因果估计结果不合理。接下来怎么办?
      • 如果我没有好的工具变量,无法进行实验,也未能观察到所有混杂因素怎么办?
      • 如何测试我是否识别了因果效应?
      • 如何提供反馈?
    • 社区
  • 公共模块参考
    • CATE 估计器
      • 双重机器学习 (DML)
        • econml.dml.DML
        • econml.dml.LinearDML
        • econml.dml.SparseLinearDML
        • econml.dml.CausalForestDML
        • econml.dml.NonParamDML
        • econml.dml.KernelDML
      • 双重稳健 (DR)
        • econml.dr.DRLearner
        • econml.dr.LinearDRLearner
        • econml.dr.SparseLinearDRLearner
        • econml.dr.ForestDRLearner
      • 元学习器
        • econml.metalearners.XLearner
        • econml.metalearners.TLearner
        • econml.metalearners.SLearner
        • econml.metalearners.DomainAdaptationLearner
      • 正交随机森林 (ORF)
        • econml.orf.DMLOrthoForest
        • econml.orf.DROrthoForest
    • 工具变量 CATE 估计器
      • 双重机器学习 (DML) IV
        • econml.iv.dml.OrthoIV
        • econml.iv.dml.DMLIV
        • econml.iv.dml.NonParamDMLIV
      • 双重稳健 (DR) IV
        • econml.iv.dr.DRIV
        • econml.iv.dr.LinearDRIV
        • econml.iv.dr.SparseLinearDRIV
        • econml.iv.dr.ForestDRIV
        • econml.iv.dr.IntentToTreatDRIV
        • econml.iv.dr.LinearIntentToTreatDRIV
      • DeepIV
        • econml.iv.nnet.DeepIV
      • 筛法
        • econml.iv.sieve.SieveTSLS
        • econml.iv.sieve.HermiteFeatures
        • econml.iv.sieve.DPolynomialFeatures
    • 面板数据估计器
      • 动态双重机器学习
        • econml.panel.dml.DynamicDML
    • 策略学习
      • econml.policy.DRPolicyForest
      • econml.policy.DRPolicyTree
      • econml.policy.PolicyForest
      • econml.policy.PolicyTree
    • CATE 解释器
      • econml.cate_interpreter.SingleTreeCateInterpreter
      • econml.cate_interpreter.SingleTreePolicyInterpreter
    • CATE 验证
      • econml.validate.DRTester
      • econml.validate.BLPEvaluationResults
      • econml.validate.CalibrationEvaluationResults
      • econml.validate.UpliftEvaluationResults
      • econml.validate.EvaluationResults
    • CATE 评分器
      • econml.score.RScorer
      • econml.score.EnsembleCateEstimator
    • 广义随机森林
      • econml.grf.CausalForest
      • econml.grf.CausalIVForest
      • econml.grf.RegressionForest
      • econml.grf.MultiOutputGRF
      • econml.grf.LinearMomentGRFCriterion
      • econml.grf.LinearMomentGRFCriterionMSE
      • econml.grf._base_grf.BaseGRF
      • econml.grf._base_grftree.GRFTree
    • Scikit-Learn 扩展
      • 线性模型扩展
        • econml.sklearn_extensions.linear_model.DebiasedLasso
        • econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso
        • econml.sklearn_extensions.linear_model.SelectiveRegularization
        • econml.sklearn_extensions.linear_model.StatsModelsLinearRegression
        • econml.sklearn_extensions.linear_model.StatsModelsRLM
        • econml.sklearn_extensions.linear_model.WeightedLasso
        • econml.sklearn_extensions.linear_model.WeightedLassoCV
        • econml.sklearn_extensions.linear_model.WeightedMultiTaskLassoCV
        • econml.sklearn_extensions.linear_model.WeightedLassoCVWrapper
      • 模型选择扩展
        • econml.sklearn_extensions.model_selection.GridSearchCVList
        • econml.sklearn_extensions.model_selection.WeightedKFold
        • econml.sklearn_extensions.model_selection.WeightedStratifiedKFold
    • 推断
      • 推断结果
        • econml.inference.NormalInferenceResults
        • econml.inference.EmpiricalInferenceResults
        • econml.inference.PopulationSummaryResults
      • 推断方法
        • econml.inference.BootstrapInference
        • econml.inference.GenericModelFinalInference
        • econml.inference.GenericSingleTreatmentModelFinalInference
        • econml.inference.LinearModelFinalInference
        • econml.inference.StatsModelsInference
        • econml.inference.GenericModelFinalInferenceDiscrete
        • econml.inference.LinearModelFinalInferenceDiscrete
        • econml.inference.StatsModelsInferenceDiscrete
    • 联邦估计
      • econml.federated_learning.FederatedEstimator
    • 解决方案
      • 因果分析
        • econml.solutions.causal_analysis.CausalAnalysis
    • 与 DoWhy 集成
      • econml.dowhy.DoWhyWrapper
    • 工具集
      • econml.utilities
  • 私有模块参考
    • econml._ortho_learner
    • econml._cate_estimator
    • econml.dml._rlearner
    • econml.inference._bootstrap
econml
  • »
  • EconML 用户指南 »
  • 无混杂性下的估计方法
  • 查看页面源代码

无混杂性下的估计方法

本节包含估计(异质)处理效应的方法,这些方法的理论保证仅在观察到所有潜在混杂因素/控制变量(即在收集的数据中同时直接影响处理决策和观察到的结果的因素)时有效。

  • 正交/双重机器学习
    • 这是什么?
    • 相关的估计器类有哪些?
    • 何时使用它?
    • 形式化方法概述
    • 类层次结构
    • 使用常见问题
    • 使用示例
  • 双重稳健学习
    • 这是什么?
    • 相关的估计器类有哪些?
    • 何时使用它?
    • 形式化方法概述
    • 类层次结构
    • 使用常见问题
    • 使用示例
  • 基于森林的估计器
    • 这是什么?
    • 相关的估计器类有哪些?
    • 何时使用它?
    • 形式化方法概述
      • 正交随机森林
      • CausalForest (又称森林双重机器学习)
      • 森林双重稳健学习器
    • 类层次结构
    • 使用示例
  • 元学习器
    • 这是什么?
    • 相关的估计器类有哪些?
    • 何时使用它?
    • 形式化方法概述
      • T-学习器
      • S-学习器
      • X-学习器
      • 领域适应学习器
      • 双重稳健学习器
      • 非参数双重机器学习
    • 类层次结构
    • 使用示例
上一页 下一页

© 版权所有 2023, PyWhy 贡献者。

使用 Sphinx 构建,使用由 Read the Docs 提供的一个主题。